IA y Matemáticas: ¿Estamos viendo las Primeras Señales de la Superinteligencia?

Durante mucho tiempo, las matemáticas expusieron una de las contradicciones más curiosas de la Inteligencia Artificial. Los modelos podían escribir textos convincentes, resumir documentos y producir códigos razonablemente sofisticados, pero aún tropezaban con cálculos simples, confundían etapas lógicas y defendían respuestas incorrectas con aparente seguridad. 

Esta limitación no era solo una falla incómoda. Las matemáticas exigen algo diferente del lenguaje cotidiano. No basta con producir una respuesta plausible. Cada conclusión debe derivarse de las anteriores, las reglas deben seguir siendo válidas de principio a fin y un solo error puede comprometer toda la solución. 

Sin embargo, en pocos años el panorama cambió de forma impresionante. Sistemas que antes tenían dificultades con problemas aritméticos comenzaron a alcanzar un desempeño de medalla de oro en olimpiadas, proponer nuevos algoritmos, encontrar fórmulas en grandes volúmenes de datos y contribuir a la solución de cuestiones matemáticas abiertas. La Inteligencia Artificial dejó de limitarse a responder preguntas sobre matemáticas. Comenzó a participar en la creación de matemáticas. 

De las dificultades con los cálculos a la medalla de oro 

Los primeros grandes modelos de lenguaje fueron entrenados principalmente para predecir qué palabra o símbolo debía aparecer a continuación. Este enfoque produjo una enorme fluidez lingüística, pero no garantizaba que el modelo comprendiera los números ni que mantuviera una deducción correcta durante muchas etapas. 

En 2022, los investigadores todavía destacaban que incluso los modelos más grandes tenían dificultades con problemas matemáticos que exigían razonamiento en varias etapas. Las pruebas de aquella época mostraban sistemas frágiles, propensos a fallar cuando el mismo problema se presentaba de una forma ligeramente diferente. 

La siguiente evolución no provino únicamente del aumento del número de parámetros. Los modelos comenzaron a recibir entrenamientos específicos para el razonamiento, más tiempo de procesamiento antes de responder, acceso a herramientas computacionales y mecanismos para explorar distintos caminos, comparar hipótesis y revisar resultados. 

En 2024, los sistemas AlphaProof y AlphaGeometry 2, de Google DeepMind, alcanzaron el nivel de medalla de plata en la Olimpiada Internacional de Matemáticas. Aún era necesario traducir los enunciados a lenguajes formales y el procesamiento tardaba días. Un año después, una versión avanzada de Gemini Deep Think resolvió cinco de los seis problemas de la competición, obtuvo 35 de los 42 puntos posibles y alcanzó el nivel de medalla de oro. Esta vez, trabajó directamente en lenguaje natural y dentro del límite de cuatro horas y media de la prueba. 

OpenAI también informó que había obtenido 35 puntos, un desempeño equivalente al oro, con un modelo de razonamiento de propósito general. Por lo tanto, no se trata de un caso aislado, sino de un cambio más amplio en la capacidad de los modelos para sostener deducciones largas y producir demostraciones matemáticas. 

Es una transformación difícil de ignorar. En un intervalo muy corto, pasamos de modelos que se equivocaban en problemas escolares a sistemas capaces de competir al nivel de los mejores jóvenes matemáticos del mundo. 

Las matemáticas no son solo cálculo 

Cuando se habla de IA y matemáticas, es común imaginar una calculadora extremadamente poderosa. Sin embargo, los avances más importantes no están en la velocidad para multiplicar números o resolver ecuaciones conocidas. Las computadoras hacen eso desde hace décadas. 

El verdadero salto está en la capacidad de decidir cómo abordar un problema desconocido. Resolver una cuestión compleja puede exigir la creación de representaciones intermedias, la identificación de patrones, la formulación de conjeturas, el abandono de caminos improductivos y la combinación de ideas que originalmente pertenecían a áreas diferentes. Es una actividad cercana a la investigación, no a la simple ejecución de una fórmula. 

Sistemas como AlphaGeometry ilustran este cambio al combinar un modelo neuronal, capaz de sugerir construcciones y reconocer patrones, con un mecanismo simbólico de deducción, responsable de aplicar reglas matemáticas rigurosas. La creatividad estadística propone caminos, mientras que la lógica verifica si realmente funcionan. 

Esta combinación es importante porque reduce una de las mayores debilidades de los modelos generativos: la posibilidad de producir una conclusión convincente, pero incorrecta. En matemáticas, código y ciencia, generar candidatos es solo el comienzo. La diferencia surge cuando el sistema también puede probarlos, refutarlos y seleccionar los que superan la verificación. 

Claude’s Cycles: cuando el código se convierte en un laboratorio matemático 

Uno de los episodios más simbólicos de esta nueva etapa fue documentado por Donald Knuth, una de las figuras más influyentes de la historia de la Informática y autor de El arte de programar ordenadores (The Art of Computer Programming). 

Knuth estudiaba un problema relacionado con la descomposición de un grafo en ciclos hamiltonianos dirigidos. Había resuelto un caso específico y buscaba una construcción general. Después de trabajar en la cuestión durante semanas, supo que Claude Opus 4.6 había encontrado una solución para una parte relevante del problema. En su artículo Los ciclos de Claude (Claude’s Cycles), Knuth describió el resultado como un avance extraordinario en deducción automática y resolución creativa de problemas. 

Lo más interesante no fue solamente la respuesta final, sino la manera en que surgió. Filip Stappers presentó el problema al modelo y condujo una sesión con 31 exploraciones a lo largo de aproximadamente una hora. Claude probó fórmulas simples, intentó búsquedas por fuerza bruta, escribió programas, realizó experimentos, investigó patrones geométricos, encontró callejones sin salida y reformuló el problema varias veces. 

En determinado momento, percibió que la búsqueda computacional encontraba ejemplos, pero no ofrecía una construcción general. El propio modelo registró que era necesario abandonar aquella dirección y hacer “matemáticas puras”. Más tarde, identificó una estructura que permitió crear un programa válido para diferentes valores impares y llegar a una solución generalizable. 

El caso suele asociarse con Claude Code porque todo el proceso incluyó programación, ejecución de scripts y documentación de experimentos. Más precisamente, el artículo de Knuth registra el uso de Claude Opus 4.6 en un flujo de investigación agéntico. El punto central no es la interfaz utilizada, sino la capacidad del modelo para usar el código como instrumento de pensamiento. 

Tampoco fue una demostración de autonomía perfecta. Fue necesario recordarle al modelo que registrara su progreso, sufrió errores aleatorios, perdió resultados después de reinicios y no logró avanzar satisfactoriamente en algunos casos. El descubrimiento exigió orientación humana y aún necesitaba una demostración rigurosa. El propio relato de Knuth deja claras tanto la fortaleza como la inestabilidad del proceso. 

Eso es precisamente lo que hace que el episodio sea relevante para las empresas. La IA no entregó una respuesta mágica después de una única instrucción. Actuó como una investigadora incansable dentro de un entorno con código, pruebas, registros y criterios objetivos. 

Una conjetura de 87 años derribada por un contraejemplo 

En julio de 2026, otro episodio amplió todavía más el debate. El matemático Levent Alpöge anunció que, con la contribución de Claude Fable 5, había encontrado un contraejemplo para la Conjetura Jacobiana, formulada en 1939. 

En términos simplificados, la conjetura afirmaba que determinados mapas polinómicos que superan una prueba matemática de invertibilidad siempre deberían poseer una inversa también polinómica. El contraejemplo presentado tiene un determinante jacobiano constante y distinto de cero, pero envía tres entradas diferentes a la misma salida. Por lo tanto, no puede invertirse. 

A diferencia de las demostraciones que exigen cientos de páginas, la refutación podía verificarse directamente mediante cálculos exactos. El resultado fue comprobado rápidamente de forma independiente y ya comenzó a utilizarse en nuevos trabajos matemáticos. Cerró la conjetura en dimensiones iguales o superiores a tres, aunque el caso bidimensional continúa abierto. 

Todavía no se han divulgado suficientes detalles para reconstruir exactamente qué parte del descubrimiento provino del modelo, de las orientaciones humanas o de la combinación de ambos. Por eso, es más preciso afirmar que la IA tuvo una participación decisiva en la obtención del contraejemplo, y no que resolvió la cuestión de forma completamente autónoma. 

Incluso con esta salvedad, el caso es histórico. Durante 87 años, los matemáticos buscaron principalmente una demostración de que la conjetura era verdadera. La IA ayudó a explorar otra dirección: encontrar un objeto específico que demostrara que era falsa. 

Esta es una ventaja natural de los sistemas computacionales modernos. Pueden recorrer espacios gigantescos de posibilidades, conservar innumerables hipótesis e investigar combinaciones que un investigador quizá descartaría por parecer improbables o poco elegantes. 

La IA también está descubriendo fórmulas 

Otra frontera menos conocida, pero igualmente importante, es el descubrimiento automático de fórmulas matemáticas. En el enfoque tradicional de Aprendizaje Automático, un modelo puede aprender a predecir resultados con gran precisión sin explicar claramente qué relaciones encontró. Funciona como una caja negra: recibe variables, realiza millones de operaciones internas y devuelve una respuesta. 

La regresión simbólica sigue otra dirección. Su objetivo es encontrar una expresión matemática compacta que describa los datos. En lugar de limitarse a predecir el movimiento de un sistema, por ejemplo, el algoritmo busca una fórmula que represente las reglas responsables de ese movimiento. 

El método LLM-SR combina el conocimiento científico y la capacidad de programación de los grandes modelos de lenguaje con una búsqueda evolutiva. La IA propone estructuras de ecuaciones, prueba estas hipótesis con los datos, recibe retroalimentación y genera nuevas versiones. En experimentos relacionados con física, biología y ciencia de los materiales, el sistema encontró ecuaciones precisas y más eficientes que los métodos tradicionales de regresión simbólica. 

En 2026, investigadores presentaron Deflex, un sistema capaz de extraer fórmulas en diferentes escalas de sistemas complejos. El enfoque combina redes neuronales, cálculo simbólico y descomposición de problemas para encontrar relaciones compactas en fenómenos como la dinámica de partículas, los fluidos y los movimientos colectivos. En las pruebas publicadas, el método alcanzó una eficiencia hasta siete veces mayor que la de técnicas anteriores. 

Descubrir una fórmula no significa automáticamente descubrir una nueva ley de la naturaleza. Los datos pueden contener ruido, correlaciones accidentales y variables ocultas. Toda expresión debe interpretarse, probarse y confrontarse con el conocimiento científico. Aun así, el cambio es profundo. La IA comienza a hacer más que reconocer patrones. Puede transformar parte de esos patrones en estructuras comprensibles, verificables y reutilizables por los seres humanos. 

Algoritmos que mejoran otros algoritmos 

La aplicación de este razonamiento no se limita a las matemáticas teóricas. Los algoritmos controlan rutas logísticas, centros de datos, motores de búsqueda, sistemas financieros, redes de telecomunicaciones, chips y el propio entrenamiento de modelos de IA. 

AlphaEvolve, de Google DeepMind, combina modelos Gemini con evaluadores automáticos y un proceso evolutivo. Los modelos proponen programas, los evaluadores ejecutan y puntúan cada alternativa, y las mejores soluciones se modifican para crear nuevas generaciones. Este proceso ya se ha utilizado para descubrir algoritmos de multiplicación de matrices más rápidos, encontrar soluciones para problemas matemáticos abiertos y mejorar componentes empleados en centros de datos, diseños de chips y entrenamientos de IA del propio Google. 

Aquí, la IA no se limita a escribir código de acuerdo con una especificación humana. Está buscando mejores maneras de ejecutar una tarea, reduciendo operaciones innecesarias, simplificando reglas o descubriendo estrategias que los desarrolladores no habían considerado. 

Es una forma inicial de ingeniería algorítmica automatizada. El ser humano define el problema, las restricciones y la métrica de éxito. La máquina explora, prueba y mejora las soluciones a una escala imposible para un equipo tradicional. 

¿Ya estamos en la era de la superinteligencia? 

Los resultados son extraordinarios, pero todavía no permiten concluir que se haya alcanzado la superinteligencia. Una Inteligencia Artificial Superinteligente no sería solamente mejor que los seres humanos en una competición o en un campo específico. Debería superar a los individuos, a los mejores equipos e incluso a grandes organizaciones humanas en un espectro muy amplio de tareas cognitivas, con un alto nivel de autonomía, adaptación y confiabilidad. Un informe de Google DeepMind describe la ASI como un sistema más inteligente y cognitivamente capaz que grandes organizaciones compuestas por seres humanos. 

Los modelos actuales presentan islas de desempeño sobrehumano. Pueden encontrar una construcción matemática inédita y, poco después, perder el contexto, ejecutar un programa de manera incorrecta o necesitar orientación para abandonar una estrategia improductiva. 

Las matemáticas ofrecen una condición especialmente favorable para la IA: muchas respuestas pueden verificarse objetivamente. Un programa funciona o no funciona. Un contraejemplo cumple o no cumple las condiciones. Una demostración formal es aceptada o rechazada por el verificador. 

El mundo empresarial y social es más ambiguo. La información puede estar incompleta, los objetivos pueden entrar en conflicto y las consecuencias de una decisión no siempre aparecen de inmediato. Ser brillante en matemáticas no significa comprender automáticamente a las personas, los mercados, las organizaciones y los riesgos. 

Por lo tanto, todavía no estamos ante una superinteligencia general. Sin embargo, estamos ante señales concretas de que capacidades sobrehumanas especializadas están comenzando a conectarse. 

La IA ya puede proponer, programar, probar, deducir y revisar. A medida que estas capacidades comienzan a operar durante períodos más largos, con menos supervisión y en diferentes áreas, la frontera entre herramienta e investigador se vuelve menos nítida. 

Lo que las matemáticas enseñan a las empresas sobre la IA 

La principal lección de estos avances no es que toda organización deba entregar sus problemas a un chatbot y esperar un descubrimiento extraordinario. Los casos más relevantes surgen cuando la IA trabaja dentro de una estructura adecuada. Necesita acceso a los datos correctos, herramientas para ejecutar sus ideas, criterios objetivos de evaluación, entornos seguros para la experimentación, un historial de los intentos y profesionales capaces de interpretar los resultados. 

Así ocurrió en el problema descrito por Knuth. También sucede en AlphaEvolve y en los sistemas de descubrimiento de fórmulas. El modelo genera hipótesis, pero el valor aparece cuando esas hipótesis entran en un ciclo de ejecución, medición, refutación y perfeccionamiento. 

Muchos desafíos empresariales son, en esencia, problemas matemáticos o algorítmicos. ¿Cómo distribuir los recursos? ¿Cuál es la mejor secuencia de producción? ¿Cómo reducir el costo de la infraestructura? ¿Cómo prever la demanda? ¿Cómo detectar anomalías? ¿Cómo organizar rutas, agendas, inventarios, precios y equipos? 

La IA puede explorar soluciones más rápidamente, encontrar relaciones ocultas en los datos y generar algoritmos adaptados al contexto de cada empresa. Sin embargo, transformar un descubrimiento en una solución operativa todavía exige integración, arquitectura de software, seguridad, observabilidad, gobernanza y mantenimiento. 

La inteligencia que deja de responder y comienza a descubrir 

La historia de la computación siempre ha estado vinculada a las matemáticas. Ahora, esa relación entra en una nueva etapa. Máquinas que nacieron para ejecutar instrucciones comienzan a contribuir a la creación de las propias instrucciones, fórmulas y estrategias que serán ejecutadas. 

Esto no significa el fin de los matemáticos, científicos o ingenieros. Significa una ampliación radical de lo que estos profesionales pueden investigar. Un investigador puede coordinar decenas de intentos simultáneos. Un ingeniero puede probar alternativas que antes eran económicamente inviables. Una empresa puede transformar datos acumulados durante años en nuevos modelos, reglas y oportunidades. 

Con 30 años de experiencia, Visionnaire acompaña esta transformación como Fábrica de Software e IA, ayudando a las organizaciones a integrar modelos, agentes, datos y sistemas en soluciones aplicables al negocio. El desafío no es solamente tener acceso a la IA más poderosa. Es construir el entorno en el que pueda investigar, probar, aprender y generar valor de forma segura. 

Tal vez todavía no estemos viviendo en la era de la superinteligencia, pero ya hemos entrado en una era en la que algunas de las preguntas más difíciles de la humanidad dejaron de ser investigadas exclusivamente por seres humanos.